建筑人工智能复杂和强大的机器人操作

最近的智能机器人的发展受益于快速增长的人工智能(AI)的方法,如模糊逻辑、机器学习和强化学习。作为一个基于各种各样的学习方法提出了不同基本机器人基准,尖端的方法仍然存在巨大的差距和渴望的可靠执行复杂的机器人任务。这主要是因为传统的学习框架是高度依赖于大型数据集的信息模型推广可能非常稀疏的关键。因此,模型训练过程通常是低效率和长时间。此外,一旦训练,较小的调整模型的不同的模式非常困难,导致环境变化缺乏灵活性。这个缺点尤其反映在“端到端”的学习计划,为黑盒模型训练了某些域之间的直接映射。

在两个极端之间的“端到端”完全学习方法和启发式方法,一个可行的解决方案来克服这个缺点是使用一系列简单的模型描述模式使用启发式数学结构组织,而不是一个复杂的模型。类似的学习计划也被称为层次学习或课程的学习。应用启发式结构允许公司专业知识以更有效的方式。分解结构使得该模型容易适应新模式没有从头开始学习,并提高模型的普遍性更广泛的领域。这些优点是可靠和灵活的实现的关键AI-powered方法复杂的机器人操作任务。

这个研究课题的主要目的是收集小说思想和尖端技术使用建筑人工智能的提高可靠性和灵活性上优于方法复杂的机器人操作任务,任务模式的多样性和不确定性。

无视“端到端”学习计划,识别整个模型作为一个黑盒,这叫致力于妥善结合启发式知识设计一个可行的结构,结合几个简单的模型,但达到高精密的机器人任务的普遍性。

感兴趣的相关主题包括,但不限于:

•模块化神经网络:一个模块化的方案来构造神经网络更好的灵活性和鲁棒性
•课程学习:一系列的模型与一个特定的拓扑用于改善学习过程的效率
•数据驱动控制:结合传统控制方法和机器学习系统的识别
•运动原语:虚拟动态系统或随机过程,作为一个机器人任务的抽象

捐赠必须与机器人应用程序,特别是任务规划、运动规划、控制、导航、感知、推理、故障检测与分类、多智能体协调,人类建模,等。此外,用于模型的模型使用的模式和结构将启发式必须澄清。模型可以深层神经网络,radius-basis-function神经网络,模糊逻辑,支持向量机,启发式函数自适应参数,决策树,动态系统、概率分布,等。实验用例或模拟在高保真度环境中应该呈现给演示了该方法的可行性和适用性。

我们欢迎常规文件包含的完整描述一个解决得当的问题,简短论文提出新颖的观点和简单的实验验证,以及审查论文总结建筑人工智能的最新进展和评估其潜在应用机械工程。